MétaCan
Menu
Retour à la cohorte
Enregistrement W4306837127 · doi:10.22541/au.166622406.64015560/v1

Study on the solid-liquid mass transfer performance of suspension in rotating packed bed

2022· preprint· en· W4306837127 sur OpenAlexaff
Bing Liu, Kun Dong, Ru-Jia Chen, Songtao Chang, Guang‐Wen Chu, Liang‐Liang Zhang, Hai‐Kui Zou, Bao‐Chang Sun

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineEngineering
ThématiqueHeat and Mass Transfer in Porous Media
Établissements canadiensPetro-Canada
Organismes subventionnairesnon disponible
Mots-clésPacked bedMass transferSuspension (topology)Volume (thermodynamics)Mass transfer coefficientDispersion (optics)Materials scienceParticle (ecology)Work (physics)Analytical Chemistry (journal)ChromatographyChemistryThermodynamicsPhysicsOptics

Résumé

récupéré en direct d'OpenAlex

This work presents the study on solid-liquid mass transfer performance of suspension in a rotating packed bed (RPB). The calculation model of solid-liquid mass transfer coefficient (ks) is deduced on the basis of the mass conversation law. The ks in RPB is measured using the suspension of cation exchange resin particle reaction with NaOH. The effects of different operating parameters such as pre-dispersion time (t), rotating speed (N), mesh packing thickness (w), liquid volume flow rate (LT), and solid loading (e) are investigated. The results show that the ks increases with the increase of N and w, and increases first and then tends to remain constant with the increase of t and LT. However, the e has no influence on ks. The obtained ks ranges from 1.00×10-5 m/s to 2.60×10-4 m/s which is higher than that in microreactor (MR) under the similar experimental conditions.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,561
Score d'incertitude au seuil0,981

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,032
Tête enseignante GPT0,266
Écart entre enseignants0,234 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetHeat and Mass Transfer in Porous MediaTravaux en français237 207